现实中的业务流程不断发生变化，需要对初始的业务流程模型进行修复以更好地表示实际业务流程。模型修复的关键步骤是分析现实日志和模型间的偏差，目前寻找偏差的方法主要采用对齐重演技术，未从行为的角度定量分析抽象的结构。因此，提出了一种通过行为轮廓分析日志和模型偏差的方法，并在此基础上进一步给出了基于逻辑Petri网的模型修复方法。首先，基于行为轮廓计算日志和模型间的服从度以识别偏差迹；然后，在偏差迹中依据偏差三元组集从偏差活动中选择逻辑变迁；最后，基于逻辑变迁设置逻辑函数，并通过添加新的分支或重构新的结构来修复原模型。对修复模型的适应度和精确度进行了验证，仿真实验结果表明，在尽可能保持修复模型与原始模型相似的基础上，相较于Fahland方法与Goldratt方法，所提修复方法在适应度都为1的情况下，得到的修复模型具有更高的精确度。

针对目前卫星遥感中夜光藻赤潮识别精度低、实时性差的问题，提出一种基于深度学习的无人机（UAV）影像夜光藻赤潮提取方法。首先，以UAV采集的高分辨率夜光藻赤潮RGB视频影像作为监测数据，在原有UNet++网络基础上，通过修改主干模型为VGG-16，并引入空间dropout策略，分别增强了特征提取能力并防止过拟合；然后，使用ImageNet数据集预先训练的VGG-16网络进行迁移学习，以提高网络收敛速度；最后，为评估所提方法的性能，在自建的赤潮数据集Redtide-DB上进行实验。所提方法的夜光藻赤潮提取总体精度（OA）为94.63%，F1评分为0.955 2，Kappa为0.949 6，优于K近邻（KNN）、支持向量机（SVM）和随机森林（RF）这3种机器学习方法及3种典型语义分割网络（PSPNet、 SegNet和U-Net）。在模型泛化能力测试中，所提方法对不同拍摄设备和拍摄环境的夜光藻赤潮影像表现出一定泛化能力，OA为97.41%，F1评分为0.965 9，Kappa为0.938 2。实验结果表明，所提方法可以实现夜光藻赤潮自动化、高精度的提取，可为夜光藻赤潮监测和研究工作提供参考。

现存的成本函数没有考虑到业务流程中各活动在现实情境中的不同的重要程度，于是在模型与日志的对齐过程中可能会导致对齐成本严重偏离感知成本。针对这一问题，基于业务流程中行为的典型流特征提出了重要同步成本函数的概念，并在该函数下给出一种能够提升效率的对齐方法。首先，基于感知成本的概念定义重要同步成本函数；接着，依据日志迹以及流程模型中行为的典型流特征来确定用以分割流程模型与日志迹的重要匹配子序列；最后，基于重要同步成本函数来对齐分割后的子流程和对应的日志迹子序列，并将分段对齐的结果进行合并得到最终的对齐结果。实验部分从准确率和效率两方面进行验证所提方法：在准确率方面，与现存的标准成本函数和最大同步成本函数相比，所提成本函数下的对齐准确率最高提升了17.44个百分点，且当事件日志包含混合噪声时，所提成本函数下的平均对齐准确率最高，为88.67%；在对齐效率方面则通过比较对齐所耗时间来验证，现存两种函数的平均耗时分别为1.58 s和2.21 s，而所提方法为0.63 s，效率分别提升了150.79%和250.79%。实验结果表明所提方法能在满足准确率需求的同时提升对齐的效率。